Computer verarbeiten numerisch kodierte Daten mit hoher Schnelligkeit und in großen Mengen. Wie ist es allerdings möglich, eine natürliche, menschliche Sprache binär abzubilden und dem Computer ein Verständnis für Texte und ihre Bedeutung zu vermitteln?
Weiterlesen
Automatische Entscheidungssysteme, die auf maschinellem Lernen basieren, enthalten oftmals einen sogenannten „Bias“ (deutsch: Vorurteil, Verzerrung). Darunter versteht man Bewertungen, die aufgrund unzureichender Kenntnis und somit einseitiger Einschätzung bestimmter Sachverhalte getroffen werden. Dies kann nicht nur bei ML-Algorithmen vorkommen, denn auch Menschen lassen in ihre Entscheidungen oft Vorurteile einfließen – meist unbewusst. Wesentliche ethische Fragen im Maschinellen Lernen diesbezüglich sind also: Dürfen Machine-Learning-Algorithmen Bias enthalten? Und wenn ja, wann und wie viel „Bias“ ist vertretbar?
Weiterlesen
Kürzlich machte Google Schlagzeilen, weil es innerhalb weniger Monate bereits seine zweite leitende Forscherin zur Ethik in der KI gefeuert hat. Timnit Gebru und ihre Kollegin Margaret Mitchell forschten an dem Paper “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, in dem es um die Risiken von großen Transformermodellen wie BERT, GTP-3 oder Switch-C geht, die auf extrem umfangreichen aus dem Web extrahierten Textsammlungen trainiert werden. Neben den enormen energetischen Ressourcen, die zum Training benötigt werden, macht das Paper auch darauf aufmerksam, dass bei solch großen Datenmengen oftmals auch Bias (=Vorurteile, statistische Verzerrungen) mitgelernt werden. Zudem ist es schwierig, einen Überblick über die Qualität des Datensatzes zu bewahren und damit solchen ungewollten Begleiterscheinungen entgegenzuwirken.
Weiterlesen
Im Allgemeinen unterscheidet man im Machine Learning zwischen vier verschiedenen Typen von Modellen: Dem überwachten Lernen (supervised Learning), dem unüberwachten Lernen (unsupervised Learning), dem teilüberwachten Lernen und dem Reinforcement Learning. Dieser Artikel soll Einsteigern oder Nicht-Technikern das überwachte Lernen anschaulich näherbringen.
Weiterlesen
KI ist immer nur so gut, wie die Daten, die ihr zur Verfügung stehen. Für unterschiedliche Use-Cases benötigt man eine ausreichende Anzahl an Daten, um eine sehr gute Klassifikationsleistung zu erzielen. Oftmals geht es nicht nur um spezielle Domänen, bei denen man geringe Datenmengen durch Domain Adaptation oder Transfer Learning ausgleichen kann. Sondern darum, dass der Kunde eine ganz eigene Definition von Klassen benötigt. Machine Learning mit kundenspezifischen Daten ist hierbei der Schlüssel zum Erfolg.
Weiterlesen